劉沅輔 / 工研院材化所
前言：從概念驗證到產業落地
人工智慧（AI）的討論在過去兩年快速從概念走向落地，產業界關注的焦點也從「AI 能做什麼」轉變為「AI 如何穩定地在現場創造價值」。對材料與製程領域而言，這個轉變特別具體：缺陷檢測、製程監控、品質判定等長年依賴人員經驗的環節，正逐步被視覺辨識與機器學習所輔助甚至取代。
筆者於2026年參訪在東京舉行的「AI EXPO TOKYO [Spring] 2026人工智慧應用春季展」，以三天的時間實地觀摩日本與亞洲各廠商的最新技術與導入案例。本文將結合材料製程，以R2R（Roll-to-Roll）狹縫式（Slot Die）塗佈製程的應用、以及筆者自身的AI應用視角，將展會見聞收斂為四條與製程檢測、監控高度相關的技術主軸，並一併介紹邊緣運算的興起與實體AI（Physical AI）的發展；輔以市場數據與現場觀察，提供材料領域同業作為技術評估與研究規劃的參考。
【內文精選】
為便於閱讀，本文將展會中與材料製程相關的觀察整理為四條技術主軸，並對應代表性廠商如圖三與表一 所示，後續各節將分別說明。
表一 AI EXPO TOKYO 2026技術主軸與代表廠商對照表
■ ARAYA：以 VLM與熱圖量化材料劣化
以腦科學與神經技術為根基的ARAYA，展區聚焦於視覺語言模型（Vision Language Model; VLM），能將視覺資訊與語言資訊互相關聯，處理傳統影像辨識難以應對的複雜任務。VLM由三個主要元件組成：視覺編碼器將輸入圖片、影像轉化為高維度的特徵向量；投影器扮演橋樑角色，會將視覺特徵向量轉換、映射到與文字相同的語意空間；隨後由大語言模型接收融合後的視覺Token與文字Token，利用注意力機制進行多模態推理，最後生成文字進行回應（圖五）。
圖五 VLM通用架構圖
在材料相關應用上，VLM的影像辨識技術可用於工廠檢點與設備管理，例如以可視化熱圖呈現物體的鏽蝕程度，並萃取面積、濃度、形狀等特徵，自動判斷劣化等級。將「看得到」與「說得出」結合，使檢測結果能以自然語言描述與查詢，對非專業人士格外友善。雖然以單一部門的規模要自行訓練VLM仍有相當門檻，但隨著技術成熟，透過自然語言指令進行檢測指示與分析，極可能成為 ---以上為部分節錄資料，完整內容請見下方附檔。